In der letzten Zeit habe ich hier eine Reihe aktueller Projekte und Projektideen vorgestellt, an denen ich beteiligt bin.1 Diese sind auf Kooperationen mit Historikern (autoChirp), Literaturwissenschaftlern (tiwoliJ) und Kunstgeschichtlerinnen (Cheiron) zurückzuführen, decken also einen relativ weiten Bereich des (zugegebenermaßen noch immer unüberschaubaren) Spielfelds der Digital Humanities ab. Einerseits bin ich sehr froh darum, die Gelegenheit zu haben, auf diesem Feld weit herumzukommen. Andererseits verliere ich darüber ungern mein Kerngeschäft als Computerlinguist aus den Augen und möchte es natürlich auch hier im Blog zumndest ab und an gewürdigt wissen. Da trifft es sich gut, dass just heute ein Beitrag erschienen ist, an dem ich mitgearbeitet habe und der genau dieses Kerngeschäft betrifft.
Natürlich haben auch die oben aufgeführten Projekte immer eine Schnittstelle zur Computerlinguistik, die einen eine größere (bei Cheiron geht es explizit um TextMining in einem kunstgeschichtlichen Korpus), die anderen eher eine am Rand (autoChirp hat auch eine Funktion, mit der Wikipedia-Artikel automatisch analysiert werden, allerdings nur in Hinsicht auf das Vorkommen von Zeitreferenzen). Die finanzielle Lage und das Zeitmanagement ist bei diesen kleinen Projekten immer etwas prekär, zwischendurch bekommt man mal eine Anschubfinanzierung, dann sind Gelder aus irgendwelchen Förderfonds oder Programmpauschalen übrig, schließlich ist es möglich, Studierende im Rahmen ihrer Studienleistungen an etwas arbeiten zu lassen, das sich nachher als etwas Nutzbares oder als Kristallisationspunkt für einen neuen Projektantrag herausstellt. Allerdings sind gute Leute eigentlich nur zu halten, wenn man sie auch einigermaßen anständig bezahlt.
Umso glücklicher bin ich, dass es mir letztes Jahr gelungen ist, zusammen mit dem Bundesinstitut für Berufsbildung (BIBB) einen längerfristigen Kooperationsvertrag aufzusetzen, der eine kontinuierliche Arbeit an einem langfristigen Vorhaben ermöglicht. Zur Zeit kann aus den Geldern dieses Kooperationsvertrag (inklusive eines angegliederten Forschungsauftrags) eine wissenschaftliche Mitarbeiterin (halbe Stelle, deshalb hatte Alena nebenher auch noch Zeit, mit Philip autoChirp zu entwickeln) und eine Wissenschaftliche Hilfskraft bezahlt werden. Eine Vorstudie zu dem Projekt haben wir schon Ende 2014 durchgeführt, der Kooperationsvertrag besteht jetzt seit fast genau einem Jahr und es ist geplant, ihn mindestens über vier Jahre laufen zu lassen. Kern des Kooperationsprojektes ist ein riesiges Korpus von mehreren Millionen Stellenanzeigen, welche das BIBB über die Bundesanstalt für Arbeit zur Verfügung gestellt bekommen hat. Das BIBB ist zwar nicht berechtigt, diese herauszugeben, sie dürfen aber dort intern verarbeitet werden.
Was aber kann man mit solch einem Wust von Stellenanzeigen überhaupt anfangen? Eigentlich eine ganze Menge, denn mit den richtigen Auswertungsmethoden könnte man Aussagen über den Arbeitsmarkt vergangener Jahre machen. Schauen, wie sich der aktuelle Stellenmarkt dazu verhält. Und vielleicht sogar auf die Zukunft schließen? So weit will ich gar nicht gehen, denke aber, dass es einleuchtet, dass sich aus Stellenanzeigen bestimmter Zeitintervalle ablesen lässt, Jobs welcher Segmente dort angeboten wurden und welche Kenntnisse/Kompetenzen von Bewerberinnen und Bewerbern dabei verlangt wurden. Ablesen liest sich hier einfach; ein|e kompetente|r Muttersprachler|in ist sicher auch dazu in der Lage, jedoch eher nicht von jetzt auf gleich bei einem Datensatz von Millionen von Anzeigen. Hier kommt das TextMining ins Spiel. Grob gesagt hätte das BIBB von uns gerne eine Maschine, die zu jeder Stellenanzeige Listen erstellt zu
- im Job einzusetzenden Arbeitsmitteln (Tools)
- im Job auszuführende Tästigkeiten (Tasks) und
- vom Bewerber/von der Bewerberin mitzubringende Kompetenzen (Comps).
So etwas nennt man auch Informationsextraktion und eine solche ist genau das, was wir zur Zeit durch die Kombination unterschiedlicher Ansätze umsetzen. Bevor wir diese Methoden auf die Volltexte der Stellenanzeigen anwendeten, haben wir diese allerdings vorverarbeitet. Dieser Schritt wird im heute erschienen Beitrag beschrieben (der Rest folgt dann später, kann ja nicht alles so schnell wie Blogs sein). Dabei geht es, wiederum grob gesagt, darum, den Suchraum für die zu extrahierenden Informationen einzuschränken, indem Stellenanzeigen in Abschnitte unterteilt und diese Abschnitte dann klassifiziert werden.

Solche Verfahren der Textklassifikation wurden auch auf andere Textsorten angewendet, allerdings erzielten wir nicht nur signifikant bessere, sondern sogar richtig gute Ergebnisse. Das liegt jetzt nicht unbedingt daran, dass wir so unschlagbar gute Computerlinguist|innen sind (was ich natürlich nicht leugnen will), sondern eher daran, dass Stellenanzeigen ein sehr dankbarer Anwendungsfall für die Klassifikation von Abschnitten sind, weil sie erstens sehr viel strukturierter als andere Textsorten sind und zweitens ein eher eingeschränktes und sehr typisches Vokabular aufweisen. Indem wir eine Reihe von bekannten Verfahren miteinander kombinierten und auf dieses einzigartige Korpus anwendeten, haben wir wertvolle Erfahrungen darüber sammeln können, welche Methoden besonders gut mit entsprechend strukturierten Daten funktionieren. Das war auch der Sinn der Kooperation – auf der einen Seite erzielen wir praktisch auswertbare Ergebnisse, die dem BIBB für seine Studien direkt zugute kommen. Auf der anderen Seite entwickeln wir Methoden des TextMining weiter, die sich auf andere Anwendungsfälle übertragen lassen. Davon sicher ein andermal mehr.
Titelbild: Pic by Niklas Bildhauer CC BY-SA 2.0
- Ich möchte hier noch einmal darauf hinweisen, dass bei den meisten Dingen, die ich hier vorstelle, eine Reihe von Kollegen, sowohl Wissenschaftler|innen, als auch Student|inn|en beteiligt sind. Das wenigste, was ich so tue, ist vollständig auf meinem eigenen Mist gewachsen. Als Mittelbauler arbeite ich allerdings auch bei vielen Dingen mit, wo dann hinterher nicht mein Name draufsteht. So gleicht sich vielleicht alles – zumindest ein wenig – wieder aus. [↩]
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Jürgen Hermes (6. Oktober 2016). Zurück zum Kerngeschäft. TEXperimenTales. Abgerufen am 22. April 2025 von https://doi.org/10.58079/uq55
Eine Antwort auf „Zurück zum Kerngeschäft“
[…] Projekten eine Rolle spielt, über die ich hier auch schon berichtet habe – dazu zählen das Projekt zu den Stellenanzeigen und die Informationserschließung in der Bilddatenbank […]